Python與機(jī)器學(xué)習(xí)（第2版）（微課版） 課件 項(xiàng)目10 智能產(chǎn)線應(yīng)用

項(xiàng)目背景|項(xiàng)目概述|學(xué)習(xí)目標(biāo)|任務(wù)實(shí)施步驟綜合實(shí)訓(xùn)智能產(chǎn)線應(yīng)用【數(shù)據(jù)挖掘應(yīng)用】01101111011010111101010000101101010100111101背景先導(dǎo)項(xiàng)目概述項(xiàng)目學(xué)習(xí)目標(biāo)任務(wù)實(shí)施步驟01Background02BriefIntroduction03LearningObjectives04ImplementationSteps主要內(nèi)容智能制造

2015年，我國(guó)出臺(tái)《中國(guó)制造2025》，全面推進(jìn)實(shí)施制造強(qiáng)國(guó)戰(zhàn)略，強(qiáng)調(diào)加快新一代信息技術(shù)與制造技術(shù)融合發(fā)展，推進(jìn)生產(chǎn)過(guò)程智能化，培育新型生產(chǎn)方式，全面提升企業(yè)研發(fā)、生產(chǎn)、管理和服務(wù)智能化水平。

黨的十八大以來(lái)深入實(shí)施創(chuàng)新驅(qū)動(dòng)發(fā)展戰(zhàn)略和制造強(qiáng)國(guó)戰(zhàn)略，中國(guó)工業(yè)不僅在量上獲得極大的擴(kuò)張，工業(yè)快速增長(zhǎng)，中國(guó)工業(yè)總量世界第一。

黨的十二大報(bào)告指出，堅(jiān)持把發(fā)展經(jīng)濟(jì)的著力點(diǎn)放在實(shí)體經(jīng)濟(jì)上，推進(jìn)新型工業(yè)化，加快建設(shè)制造強(qiáng)國(guó)，推動(dòng)制造業(yè)高端化、智能化、綠色化發(fā)展。中國(guó)是世界第一大工業(yè)強(qiáng)國(guó)，世界第二大經(jīng)濟(jì)體，擁有全世界最完善的工業(yè)體系認(rèn)識(shí)智能產(chǎn)線

本項(xiàng)目聚焦以數(shù)控機(jī)床為代表的智能裝備的加工精度穩(wěn)定性問(wèn)題，通過(guò)大數(shù)據(jù)、人工智能算法的應(yīng)用，圍繞視覺(jué)測(cè)量與檢測(cè)、加工誤差精度補(bǔ)償?shù)葘?shí)踐來(lái)減少機(jī)床加工誤差，有利于提升數(shù)控機(jī)床的應(yīng)用水平，對(duì)于提升國(guó)產(chǎn)數(shù)控機(jī)床等智能裝備的性能和技術(shù)競(jìng)爭(zhēng)力、助力解決高端裝備“卡脖子”問(wèn)題。典型工業(yè)場(chǎng)景

國(guó)內(nèi)某汽車零部件加工廠引進(jìn)一臺(tái)高檔數(shù)控機(jī)床，該機(jī)床各方面指標(biāo)均處于國(guó)際最先進(jìn)水平，用于零件成品生產(chǎn)線上的關(guān)鍵工序加工，按照設(shè)計(jì)應(yīng)能提升整線生產(chǎn)精度的前提下，提升產(chǎn)能30%。而該機(jī)床引入到生產(chǎn)線上進(jìn)行實(shí)際生產(chǎn)時(shí)發(fā)現(xiàn)，由于原材料與刀具性能不穩(wěn)定、產(chǎn)線其他設(shè)備引起的振動(dòng)和溫度變化等因素導(dǎo)致原有的生產(chǎn)工藝無(wú)法實(shí)現(xiàn)高效率和高質(zhì)量的生產(chǎn)，無(wú)法發(fā)揮出機(jī)床該有的作用，產(chǎn)能反倒降低了5%。而解決這個(gè)問(wèn)題的辦法就是引入一套自動(dòng)閉環(huán)誤差補(bǔ)償控制系統(tǒng)，能在車間環(huán)境下在線自動(dòng)柔性檢測(cè)工件，結(jié)合環(huán)境參數(shù)智能分析，當(dāng)夾具、刀具、材料、溫度等產(chǎn)生變化時(shí)依然保持加工精度的穩(wěn)定。認(rèn)識(shí)智能產(chǎn)線不合格工業(yè)真實(shí)應(yīng)用項(xiàng)目模擬加工程序G(x,y)數(shù)控加工產(chǎn)品三坐標(biāo)檢測(cè)反饋誤差，人工調(diào)整加工工藝加工程序G(x,y)模擬數(shù)控加工G(x’,y’)產(chǎn)品視覺(jué)檢測(cè)虛擬環(huán)境變量反饋誤差，工業(yè)大數(shù)據(jù)算法自動(dòng)補(bǔ)償加工程序合格合格不合格G(x’’,y’’)F(w1,w2,…,w18)認(rèn)識(shí)智能產(chǎn)線認(rèn)識(shí)智能產(chǎn)線分類槽1傳送帶分類槽2激光器雕刻驅(qū)動(dòng)供料盤相機(jī)光源CNCPC1PLC電氣控制驅(qū)動(dòng)PC1-工業(yè)控制計(jì)算機(jī)項(xiàng)目總體要求

智能產(chǎn)線應(yīng)用項(xiàng)目

通過(guò)一套智能數(shù)控產(chǎn)線模擬以上工業(yè)場(chǎng)景，提供一套虛擬機(jī)床系統(tǒng)來(lái)模擬多種誤差因素對(duì)機(jī)床加工精度的影響。通過(guò)工業(yè)大數(shù)據(jù)構(gòu)建智能誤差補(bǔ)償算法提升數(shù)控機(jī)床的加工精度訓(xùn)練視覺(jué)檢測(cè)模型，對(duì)加工后的工件進(jìn)行檢測(cè)分揀，形成完整的加工、檢測(cè)生產(chǎn)全流程

項(xiàng)目總體要求①①②③②③②③①硬件操作：①智能視覺(jué)檢測(cè)模塊②智能數(shù)控模塊③數(shù)據(jù)顯示單元軟件操作：①WEB管理端②Jupyter工作臺(tái)③REST-API項(xiàng)目三維目標(biāo)了解數(shù)據(jù)采集設(shè)備安裝、調(diào)試方法；掌握?qǐng)D像數(shù)據(jù)采集和標(biāo)注方法；掌握?qǐng)D像數(shù)據(jù)預(yù)處理方法；

重點(diǎn)：阿里云大數(shù)據(jù)分析與應(yīng)用職業(yè)技能等級(jí)標(biāo)準(zhǔn)中級(jí)理解圖像智能識(shí)別算法原理；掌握模型部署和應(yīng)用驗(yàn)證流程。

大數(shù)據(jù)工程技術(shù)人員國(guó)家職業(yè)技術(shù)技能標(biāo)準(zhǔn)中級(jí)6.3

知識(shí)目標(biāo)能力目標(biāo)素質(zhì)目標(biāo)證崗項(xiàng)目三維目標(biāo)會(huì)安裝、調(diào)試數(shù)據(jù)采集設(shè)備；會(huì)規(guī)范采集圖像數(shù)據(jù)并做標(biāo)注；會(huì)選用方法對(duì)圖像數(shù)據(jù)進(jìn)行預(yù)處理；懂得變通設(shè)計(jì)算法識(shí)別產(chǎn)品合格性；

重難點(diǎn)：阿里云大數(shù)據(jù)分析與應(yīng)用職業(yè)技能等級(jí)標(biāo)準(zhǔn)中級(jí)5.3.2會(huì)應(yīng)用模型實(shí)現(xiàn)智能分揀和調(diào)參。

知識(shí)目標(biāo)能力目標(biāo)素質(zhì)目標(biāo)證011011110110101111010111100100001011010101001111101項(xiàng)目三維目標(biāo)精心搭建，承崇尚勞動(dòng)的精神；精細(xì)采集，持精益求精的態(tài)度；精密處理，樹(shù)數(shù)據(jù)質(zhì)量的意識(shí)；精準(zhǔn)分類，有創(chuàng)新增效的擔(dān)當(dāng)；精品展示，守賦能強(qiáng)國(guó)的使命。能力目標(biāo)素質(zhì)目標(biāo)知識(shí)目標(biāo)011011110110101111010111100100001011010101001111101智能產(chǎn)線應(yīng)用項(xiàng)目任務(wù)數(shù)據(jù)準(zhǔn)備智能分類誤差補(bǔ)償聯(lián)調(diào)與生產(chǎn)驗(yàn)證環(huán)境搭建硬件設(shè)備搭建相機(jī)、鏡頭、光源安裝相機(jī)設(shè)置成像效果調(diào)整云平臺(tái)部署數(shù)據(jù)準(zhǔn)備智能分類誤差補(bǔ)償聯(lián)調(diào)與生產(chǎn)驗(yàn)證環(huán)境搭建訓(xùn)練數(shù)據(jù)樣本采集對(duì)訓(xùn)練數(shù)據(jù)樣本進(jìn)行數(shù)據(jù)清洗對(duì)訓(xùn)練數(shù)據(jù)樣本進(jìn)行增廣智能產(chǎn)線應(yīng)用項(xiàng)目任務(wù)數(shù)據(jù)準(zhǔn)備智能分類誤差補(bǔ)償聯(lián)調(diào)與生產(chǎn)驗(yàn)證環(huán)境搭建視覺(jué)樣本圖片預(yù)處理依照比例設(shè)置訓(xùn)練集和驗(yàn)證集搭建神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)訓(xùn)練和部署模型驗(yàn)證視覺(jué)算法效果智能產(chǎn)線應(yīng)用項(xiàng)目任務(wù)數(shù)據(jù)準(zhǔn)備智能分類誤差補(bǔ)償聯(lián)調(diào)與生產(chǎn)驗(yàn)證環(huán)境搭建加工誤差實(shí)時(shí)補(bǔ)償模型選擇、訓(xùn)練、模型固化誤差實(shí)時(shí)補(bǔ)償模型部署、驗(yàn)證智能產(chǎn)線應(yīng)用項(xiàng)目任務(wù)數(shù)據(jù)準(zhǔn)備智能分類誤差補(bǔ)償聯(lián)調(diào)與生產(chǎn)驗(yàn)證環(huán)境搭建模型聯(lián)調(diào)與部署評(píng)價(jià)與優(yōu)化自動(dòng)化生產(chǎn)驗(yàn)證智能產(chǎn)線應(yīng)用項(xiàng)目任務(wù)還在等什么？馬上動(dòng)手實(shí)施智能產(chǎn)線應(yīng)用項(xiàng)目吧~1.認(rèn)識(shí)智能產(chǎn)線2.智能產(chǎn)線任務(wù)實(shí)施要求3.機(jī)器學(xué)習(xí)模型的部署與應(yīng)用小結(jié)01101111011010111101011110010000101101010100100111101全國(guó)勞動(dòng)模范蓋立亞蓋立亞通用技術(shù)集團(tuán)所屬沈陽(yáng)機(jī)床沈陽(yáng)優(yōu)尼斯智能裝備有限公司總經(jīng)理，教授級(jí)高級(jí)工程師。一直埋頭在數(shù)控機(jī)床研制第一線為公司堅(jiān)持自主研發(fā)，走“專精特新”的發(fā)展道路，以創(chuàng)新托起高質(zhì)量發(fā)展，以辛勤勞動(dòng)托起中國(guó)夢(mèng)，為實(shí)現(xiàn)“兩個(gè)一百年”奮斗目標(biāo)貢獻(xiàn)央企力量以不斷突破進(jìn)取的創(chuàng)新精神示范帶動(dòng)廣大員工成為勞動(dòng)模范和大國(guó)工匠。2020年全國(guó)勞動(dòng)模范和先進(jìn)工作者表彰大會(huì)，蓋立亞榮獲“全國(guó)勞動(dòng)模范”榮譽(yù)稱號(hào)。01121110110101101101001001100110101010010011011010010110010111011010100110111010101010101101010011010010制造業(yè)是實(shí)體經(jīng)濟(jì)的基礎(chǔ)，實(shí)體經(jīng)濟(jì)是我國(guó)發(fā)展的本錢，是構(gòu)筑未來(lái)發(fā)展戰(zhàn)略優(yōu)勢(shì)的重要支撐。01121110110101101101001001100110101010010011011010010110010111011010100110111010101010101101010011010010瞄準(zhǔn)創(chuàng)新理念，敢想敢干解決技術(shù)難題領(lǐng)先實(shí)現(xiàn)技術(shù)突破，征服頂級(jí)軸承企業(yè)跟蹤國(guó)家需求攻關(guān)，創(chuàng)造中國(guó)數(shù)控車床史奇跡圍繞客戶需求創(chuàng)新，研發(fā)新品類智能機(jī)床先進(jìn)事跡蓋立亞堅(jiān)定技術(shù)自信，跟蹤國(guó)家需求創(chuàng)新，主導(dǎo)多個(gè)重大專項(xiàng)項(xiàng)目，在高精、高速、車銑復(fù)合三個(gè)方向研制的機(jī)床取得重大突破。從技術(shù)員到產(chǎn)品線經(jīng)理，再到公司總經(jīng)理，她帶領(lǐng)團(tuán)隊(duì)及時(shí)調(diào)整產(chǎn)品結(jié)構(gòu)，根據(jù)市場(chǎng)要求研發(fā)出全新T系列機(jī)床，兩年時(shí)間就將該類機(jī)床的市場(chǎng)保有量從50臺(tái)左右提升到2000多臺(tái)。蓋立亞主持和參與4項(xiàng)數(shù)控機(jī)床重大專項(xiàng)項(xiàng)目，取得主導(dǎo)實(shí)用新型專利22項(xiàng)、發(fā)明專利3項(xiàng)，她主導(dǎo)研發(fā)的HTM40100h臥式車銑復(fù)合加工中心獲2012年國(guó)家發(fā)明金獎(jiǎng)、2013年中國(guó)機(jī)械工業(yè)科學(xué)技術(shù)二等獎(jiǎng)；《汽車輪轂軸承加工自動(dòng)線》項(xiàng)目獲2012年國(guó)家發(fā)明銀獎(jiǎng)、沈陽(yáng)市科技振興獎(jiǎng)、2014年中國(guó)機(jī)械工業(yè)科學(xué)技術(shù)二等獎(jiǎng)；HTC100t、CMU001數(shù)控機(jī)床獲遼寧省優(yōu)秀新產(chǎn)品一等獎(jiǎng)；與河北工業(yè)大學(xué)合作的《數(shù)控機(jī)床集成監(jiān)控及產(chǎn)業(yè)化應(yīng)用》項(xiàng)目獲2015年河北省科技進(jìn)步二等獎(jiǎng)，為國(guó)內(nèi)機(jī)床發(fā)展作出重要貢獻(xiàn)。一把游標(biāo)卡尺

一名大國(guó)工匠

讓中國(guó)制造走向世界工業(yè)云平臺(tái)搭建任務(wù)實(shí)施【數(shù)據(jù)挖掘應(yīng)用】課程智能產(chǎn)線應(yīng)用>>數(shù)據(jù)采集環(huán)境搭建會(huì)熟練操作Linux操作系統(tǒng)；了解容器與鏡像的基本概念；會(huì)在Linux系統(tǒng)中對(duì)鏡像和容器進(jìn)行管理；會(huì)啟動(dòng)并管理工業(yè)云平臺(tái)運(yùn)行所需要的容器；會(huì)在Linux系統(tǒng)中對(duì)GPU的運(yùn)行情況進(jìn)行監(jiān)控。知識(shí)與能力目標(biāo)主要內(nèi)容任務(wù)工單引導(dǎo)問(wèn)題任務(wù)評(píng)價(jià)標(biāo)準(zhǔn)任務(wù)解決步驟數(shù)據(jù)采集云平臺(tái)搭建主要設(shè)備教學(xué)難點(diǎn)任務(wù)工單在Linux系統(tǒng)下利用Python、數(shù)據(jù)庫(kù)、Docker等技術(shù)完成整個(gè)云平臺(tái)的搭建。搭建完成之后需要在Web界面進(jìn)行硬件設(shè)備的適配。任務(wù)概述

基于已有鏡像完成工業(yè)互聯(lián)網(wǎng)云平臺(tái)的搭建，并能在Web界面進(jìn)行硬件設(shè)備的適配。010010011001101010100100110110100101110101000100001011011101001010101101010011010010

任務(wù)描述：（1）什么是鏡像和容器？?jī)烧哂泻螀^(qū)別？（2）查一查什么是Docker？它和虛擬機(jī)有何異同？（3）Docker的優(yōu)勢(shì)在哪里？（4）如何安裝、配置和管理Docker？”

問(wèn)題引導(dǎo)：任務(wù)概述

任務(wù)評(píng)價(jià)：任務(wù)概述評(píng)價(jià)內(nèi)容評(píng)價(jià)要點(diǎn)分值分?jǐn)?shù)評(píng)定自我評(píng)價(jià)1.任務(wù)實(shí)施啟動(dòng)容器3分會(huì)啟動(dòng)容器得1分，會(huì)查看并讀懂容器信息得2分

監(jiān)控GPU2分會(huì)使用GPU監(jiān)控命令得1分，會(huì)查看GPU運(yùn)行信息得1分

重啟容器1分會(huì)重啟容器得1分，會(huì)啟動(dòng)具體的窗口

2.任務(wù)測(cè)試工業(yè)云平臺(tái)登陸3分能正確打開(kāi)工業(yè)云平臺(tái)得2分，可正常登陸平臺(tái)得1分

3.任務(wù)總結(jié)依據(jù)任務(wù)實(shí)施情況總結(jié)結(jié)論1分總結(jié)內(nèi)容切中本任務(wù)的重點(diǎn)要點(diǎn)得1分

合計(jì)10分

任務(wù)解決方案（1）啟動(dòng)、查看容器登錄“工業(yè)互聯(lián)網(wǎng)云平臺(tái)計(jì)算機(jī)”，右鍵點(diǎn)擊桌面，打開(kāi)【終端】軟件。進(jìn)入云平臺(tái)程序目錄，使用Docker和鏡像工具進(jìn)行配置，輸入docker-composeup-d啟動(dòng)容器；通過(guò)dockerps顯示所有容器的信息任務(wù)解決方案（2）查看鏡像信息使用dockerimages顯示鏡像dockerimages可以查看本地已經(jīng)下載的鏡像，如下：dockerimages[OPTIONS][REPOSITORY[:TAG]]任務(wù)解決方案（3）監(jiān)控GPU使用情況使用watch-n10nvidia-smi持續(xù)監(jiān)控GPU使用情況（watch最常用的參數(shù)是-n，后面指定是每多少秒來(lái)執(zhí)行一次命令。我們?cè)O(shè)置為每10s顯示一次nvidia-smi的情況）任務(wù)解決方案（4）重啟容器當(dāng)某個(gè)容器有問(wèn)題時(shí)，可通過(guò)dockerrestart容器ID重新啟動(dòng)任務(wù)解決方案（5）訪問(wèn)工業(yè)云平臺(tái)在瀏覽器中輸入工業(yè)互聯(lián)網(wǎng)云端控制系統(tǒng)訪問(wèn)地址，查看系統(tǒng)是否可以正常使用小結(jié)1.如何查看鏡像信息？2.

如何啟動(dòng)并查看容器信息？3.

如何監(jiān)控GPU的使用情況？不急后續(xù)會(huì)有詳細(xì)說(shuō)明與講解哦~工件圖像數(shù)據(jù)采集任務(wù)實(shí)施【數(shù)據(jù)挖掘應(yīng)用】課程智能產(chǎn)線應(yīng)用>>圖像采集與增強(qiáng)會(huì)根據(jù)需要正確地配置云平臺(tái)的產(chǎn)線參數(shù)；會(huì)正確配置機(jī)床的通訊參數(shù)；會(huì)操作數(shù)控機(jī)床完成工件圖像數(shù)據(jù)的采集；會(huì)操作云平臺(tái)檢查圖像數(shù)據(jù)。能力目標(biāo)主要內(nèi)容任務(wù)工單引導(dǎo)問(wèn)題任務(wù)評(píng)價(jià)標(biāo)準(zhǔn)任務(wù)解決步驟工件圖像數(shù)據(jù)采集采集結(jié)果教學(xué)難點(diǎn)任務(wù)工單

采集的樣本圖片數(shù)據(jù)的數(shù)量和質(zhì)量將會(huì)直接影響后續(xù)的模型訓(xùn)練環(huán)節(jié)。使用視覺(jué)系統(tǒng)進(jìn)行若干工件圖像數(shù)據(jù)采集，以豐富工件樣本圖像數(shù)據(jù)庫(kù)。任務(wù)概述

配置相機(jī)參數(shù)，啟動(dòng)設(shè)備完成工件圖像數(shù)據(jù)的采集與檢查任務(wù)。010010011001101010100100110110100101110101000100001011011101001010101101010011010010

任務(wù)描述：物料與設(shè)備數(shù)據(jù)采集結(jié)果

任務(wù)要求任務(wù)概述

（1）圖像拍攝時(shí)，物料圖像的色調(diào)、明亮度、角度對(duì)模型的訓(xùn)練有沒(méi)有影響？（2）相機(jī)軟件的各項(xiàng)參數(shù)應(yīng)當(dāng)如何設(shè)置？如有需要可再返回修改。（3）采集多少樣本圖像比較合適？（4）如何確保采集圖像輪廓的清晰度和圖案的完整性？”

問(wèn)題引導(dǎo)：任務(wù)概述

任務(wù)評(píng)價(jià)：任務(wù)概述評(píng)價(jià)內(nèi)容評(píng)價(jià)要點(diǎn)分值分?jǐn)?shù)評(píng)定自我評(píng)價(jià)1.任務(wù)實(shí)施任務(wù)管理2分正確添加圖像任務(wù)得1分，正確添加誤差任務(wù)得1分

產(chǎn)線管理1分產(chǎn)線添加正確得1分

云平臺(tái)配置1分平臺(tái)配置通訊設(shè)置正確得1分設(shè)備啟動(dòng)2分會(huì)正確操作機(jī)器得1分，設(shè)備正常運(yùn)轉(zhuǎn)并采集得1分

2.效果查看圖像管理與編輯3分能正確采集圖像得1分，標(biāo)記全部正確得1分，圖像數(shù)量超過(guò)100張得1分

3.任務(wù)總結(jié)依據(jù)任務(wù)實(shí)施情況總結(jié)結(jié)論1分總結(jié)內(nèi)容切中本任務(wù)的重點(diǎn)要點(diǎn)得1分

合計(jì)10分

任務(wù)解決方案（1）添加圖片任務(wù)進(jìn)入任務(wù)管理，添加任務(wù)，設(shè)置任務(wù)名稱、服務(wù)地址、任務(wù)類型、圖片類別信息。任務(wù)解決方案（2）添加誤差任務(wù)添加誤差任務(wù)，填寫任務(wù)名稱，選擇任務(wù)類型為誤差任務(wù)，設(shè)置服務(wù)地址。任務(wù)解決方案（3）添加產(chǎn)線進(jìn)入產(chǎn)線管理添加產(chǎn)線任務(wù)，需要將添加的圖片任務(wù)與誤差任務(wù)進(jìn)行關(guān)聯(lián)。任務(wù)解決方案（4）云平臺(tái)通信配置打開(kāi)工作站中的管理軟件，進(jìn)入云平臺(tái)通訊配置，配置本地軟件云平臺(tái)參數(shù)。任務(wù)解決方案（5）啟動(dòng)設(shè)備采集圖像先對(duì)設(shè)備通電，確保設(shè)備狀態(tài)正常，無(wú)報(bào)警。參數(shù)設(shè)置為采集、不雕刻、上傳，打開(kāi)光源，并啟動(dòng)設(shè)備進(jìn)行工件圖像采集，完成100張圖像的采集任務(wù)。任務(wù)解決方案（6）圖片檢查進(jìn)入云平臺(tái)的圖像管理，查看圖像是否成功上傳。如上傳成功，檢查標(biāo)注是否正確。小結(jié)1.如何操作云平臺(tái)完成產(chǎn)線的配置？2.

如何正確配置數(shù)控機(jī)床完成數(shù)據(jù)采集？3.

如何檢查數(shù)據(jù)采集結(jié)果？不急后續(xù)會(huì)有詳細(xì)說(shuō)明與講解哦~工件圖像數(shù)據(jù)增強(qiáng)任務(wù)實(shí)施【數(shù)據(jù)挖掘應(yīng)用】課程智能產(chǎn)線應(yīng)用>>圖像采集與增強(qiáng)會(huì)查看服務(wù)器API接口定義；會(huì)正確地調(diào)用API接口讀取工件圖像；會(huì)從服務(wù)器批量地讀取圖像并保存至指定文件夾；會(huì)使用正確的圖像增廣方法實(shí)現(xiàn)數(shù)據(jù)增強(qiáng)。能力目標(biāo)主要內(nèi)容任務(wù)工單引導(dǎo)問(wèn)題任務(wù)評(píng)價(jià)標(biāo)準(zhǔn)任務(wù)解決步驟工件圖像數(shù)據(jù)增強(qiáng)代碼解析原始數(shù)據(jù)教學(xué)難點(diǎn)任務(wù)工單

通過(guò)數(shù)據(jù)增強(qiáng)，可以達(dá)到擴(kuò)充數(shù)據(jù)集的目的。對(duì)一副圖片做翻轉(zhuǎn)、旋轉(zhuǎn)、裁剪、變形、縮放等不同的變換，以達(dá)到擴(kuò)充圖像數(shù)據(jù)集的目的。任務(wù)概述

登陸云平臺(tái)，使用適當(dāng)?shù)姆椒▽?duì)圖像做處理，以擴(kuò)充數(shù)據(jù)集。010010011001101010100100110110100101110101000100001011011101001010101101010011010010

任務(wù)描述：原始數(shù)據(jù)圖像數(shù)據(jù)擴(kuò)充結(jié)果

任務(wù)要求任務(wù)概述

（1）什么情況下需要做數(shù)據(jù)增強(qiáng)？（2）數(shù)據(jù)增強(qiáng)方法有哪些？圖像數(shù)據(jù)增強(qiáng)的方法有哪些？如何做選擇？（3）給圖像數(shù)據(jù)加噪聲對(duì)訓(xùn)練的模型有什么作用？（4）數(shù)據(jù)增強(qiáng)后對(duì)后期識(shí)別模型的訓(xùn)練會(huì)有什么影響？（5）數(shù)據(jù)擴(kuò)充后到達(dá)什么數(shù)據(jù)量級(jí)比較合適？”

問(wèn)題引導(dǎo)：任務(wù)概述

任務(wù)評(píng)價(jià)：任務(wù)概述評(píng)價(jià)內(nèi)容評(píng)價(jià)要點(diǎn)分值分?jǐn)?shù)評(píng)定自我評(píng)價(jià)1.任務(wù)實(shí)施圖像讀取4分會(huì)查看SwaggerUI得1分，會(huì)使用SwaggerUI獲取圖像信息得1分，能從服務(wù)器上正確獲取圖像并顯示得1分，能導(dǎo)出所有圖像到指定目錄得1分

圖像增強(qiáng)2分會(huì)圖像增強(qiáng)得1分，增強(qiáng)方法2種以上得1分

2.結(jié)果檢查查看圖像并評(píng)估效果2分指定目錄正常顯示增強(qiáng)后的數(shù)據(jù)得1分，增強(qiáng)后的數(shù)量量達(dá)到500張以上得1分

3.任務(wù)總結(jié)依據(jù)任務(wù)實(shí)施情況總結(jié)結(jié)論2分總結(jié)內(nèi)容切中本任務(wù)的重點(diǎn)要點(diǎn)得1分，能有效比較增強(qiáng)方法異同得1分

合計(jì)10分

任務(wù)解決方案（1）查看API服務(wù)產(chǎn)線上傳的圖片通過(guò)RestfulAPI存儲(chǔ)在后端的MongoDB中。我們需要通過(guò)調(diào)用相應(yīng)的RestfulAPI讀取圖像數(shù)據(jù)。http://<服務(wù)器地址>:5000/api/ui了解所有的API服務(wù)任務(wù)解決方案（2）調(diào)用API接口調(diào)用api/image服務(wù)查看每張圖像的內(nèi)容，定義get_image_by_id()獲得指定的圖像defget_image_by_id(id):r=requests.get("http://服務(wù)器地址:5000/api/image/"+id)

ifr.status_code==200:returnPIL.Image.open(io.BytesIO(re.content))

else:raiseRuntimeError(r.text)img=get_image_by_id("60b57a02b08c790b7af038a8")#根據(jù)實(shí)際情況選擇圖片IDimg.show()任務(wù)解決方案（3）圖像導(dǎo)出將所有采集的圖像導(dǎo)出到指定目錄importnumpyasnpimportmathimage_dir='/tf/data/image'#注意,/tf為工作目錄的根目錄task_dir=os.path.join(image_dir,task_category_id)train_dir=os.path.join(task_dir,"train")test_dir=os.path.join(task_dir,"test")id_code_mapping={#根據(jù)web界面顯示情況設(shè)定"60b57a02b08c790b7af038a9":"0"

#合格工件"60b57a02b08c790b7af038aa":"1"#不合格工件}limit=10foriinrange(math.ceil(num_images=1.0//li)):#分批次讀取image_records=get_image_records(task_id,offset=i*limit,limit=limit)forrecordinimage_records:if'truth_id'notinrecord:continueifnp.random.ranf()<0.8:#需要通過(guò)修改數(shù)值來(lái)控制測(cè)試集的?例dst_dir=os.path.join(train_dir,id_code_mapping[record['truth_id']])else:dst_dir=os.path.join(test_dir,id_code_mapping[record['truth_id']])ifnotos.path.exists(dst_dir):os.makedirs(dst_dir)

dst=os.path.join(dst_dir,record['id']+'.png')img=get_image_by_id(record['id'])img.save(dst)任務(wù)解決方案（3）圖像導(dǎo)出將所有采集的圖像導(dǎo)出到指定目錄任務(wù)解決方案（4）統(tǒng)計(jì)圖像數(shù)量用戶可以在/tf/data/image目錄下查看到相應(yīng)的圖像。用戶也可以通過(guò)下面的程序查看目錄下的圖像數(shù)量?？杀日?qǐng)D像管理中的圖像，判斷是否讀取完整。importpathlibtrain_image_count=len(list(pathlib.Path(train_dir).glob('*/*.png')))test_image_count=len(list(pathlib.Path(test_dir).glob('*/*.png')))print(train_image_count,test_image_count)任務(wù)解決方案（5）數(shù)據(jù)增強(qiáng)對(duì)訓(xùn)練集中的圖像做數(shù)據(jù)增強(qiáng)，比如隨機(jī)旋轉(zhuǎn)。iftrain_flag:foriinrange(20):angle=np.random.randint(1,359)img2=img.rotate(angle)dst2=os.path.join(dst_dir,record['id']+'ro'+str(i)+'.png')img2.save(dst2)importpathlib小結(jié)1.如何調(diào)用API接口讀取工件圖像數(shù)據(jù)？2.

如何將圖像保存至指定目錄？3.

如何對(duì)圖像數(shù)據(jù)進(jìn)行切分？4.如何實(shí)現(xiàn)圖像增廣？不急后續(xù)會(huì)有詳細(xì)說(shuō)明與講解哦~工件圖像智能分類任務(wù)實(shí)施【數(shù)據(jù)挖掘應(yīng)用】課程智能產(chǎn)線應(yīng)用會(huì)根據(jù)需要正確設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)模型；會(huì)正確地切分?jǐn)?shù)據(jù)集對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練；會(huì)根據(jù)結(jié)果調(diào)整神經(jīng)網(wǎng)絡(luò)參數(shù)實(shí)現(xiàn)優(yōu)化；會(huì)正確部署神經(jīng)網(wǎng)絡(luò)模型；會(huì)調(diào)用神經(jīng)網(wǎng)絡(luò)模型實(shí)現(xiàn)智能分揀。能力目標(biāo)智能分揀模型的訓(xùn)練與部署主要內(nèi)容任務(wù)工單引導(dǎo)問(wèn)題任務(wù)評(píng)價(jià)標(biāo)準(zhǔn)任務(wù)解決步驟代碼解析教學(xué)難點(diǎn)任務(wù)背景010010011001101010100100110110100101110101000100001011011101001010101101010011010010圖像分類分析分揀模型合格品不合格品智能視覺(jué)檢測(cè)模塊原因：人工分揀慢、成本高途徑：通過(guò)圖像智能檢測(cè)，完成機(jī)器自動(dòng)分揀目標(biāo)：實(shí)現(xiàn)更快、更準(zhǔn)的分揀指標(biāo)：識(shí)別準(zhǔn)確率和識(shí)別效率卷積神經(jīng)網(wǎng)絡(luò)教學(xué)難點(diǎn)任務(wù)工單

基于數(shù)據(jù)采集的樣本圖片進(jìn)行視覺(jué)模型訓(xùn)練，可選擇、調(diào)用云端已提供的完整模型框架（基于TensorFlow），設(shè)計(jì)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行模型訓(xùn)練。任務(wù)概述

基于采集的圖像數(shù)據(jù)，訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)模型，并部署應(yīng)用于工件的合格品識(shí)別。010010011001101010100100110110100101110101000100001011011101001010101101010011010010

任務(wù)描述：教學(xué)難點(diǎn)任務(wù)概述010010011001101010100100110110100101110101000100001011011101001010101101010011010010不合格品合格品圖像分類模型構(gòu)建圖像分類模型訓(xùn)練圖像分類模型優(yōu)化圖像分類模型應(yīng)用卷積神經(jīng)網(wǎng)絡(luò)信號(hào)1信號(hào)0用于智能化分揀可降低成本、提高識(shí)別效率（1）圖像識(shí)別領(lǐng)域中常見(jiàn)的圖像識(shí)別方法有哪些？（2）使用卷積神經(jīng)網(wǎng)絡(luò)模型有什么的優(yōu)劣勢(shì)？為什么不使用循環(huán)神經(jīng)網(wǎng)絡(luò)？（3）卷積神經(jīng)網(wǎng)絡(luò)包含哪些層？分別有什么作用？關(guān)鍵參數(shù)有哪些？”

問(wèn)題引導(dǎo)：任務(wù)概述

任務(wù)評(píng)價(jià)：任務(wù)概述評(píng)價(jià)內(nèi)容評(píng)價(jià)要點(diǎn)分值分?jǐn)?shù)評(píng)定自我評(píng)價(jià)1.任務(wù)實(shí)施數(shù)據(jù)初始化2分訓(xùn)練集、驗(yàn)證集準(zhǔn)備正確得1分，測(cè)試集正確讀取得1分

模型構(gòu)建2分會(huì)設(shè)計(jì)卷積模型得1分，模型正確構(gòu)建得1分

模型訓(xùn)練1分模型訓(xùn)練能正確執(zhí)行得1分模型保存2分模型正確保存得1分，模型正確部署得1分

2.效果評(píng)估模型評(píng)估2分訓(xùn)練準(zhǔn)確率92%以上得1分，測(cè)試集準(zhǔn)確率90%以上得1分

3.任務(wù)總結(jié)依據(jù)任務(wù)實(shí)施情況總結(jié)結(jié)論1分總結(jié)內(nèi)容切中本任務(wù)的重點(diǎn)要點(diǎn)得1分

合計(jì)10分

任務(wù)解決方案（1）切分?jǐn)?shù)據(jù)集準(zhǔn)備好模型訓(xùn)練所需的訓(xùn)練集與驗(yàn)證集。按一定的比例切分?jǐn)?shù)據(jù)。importtensorflowastftrain_ds=tf.keras.preprocessing.image_dataset_from_directory(train_dir,

validation_split=0.2,#設(shè)定驗(yàn)證集比例subset="training",seed=123,batch_size=batch_size)卷積層池化層卷積層池化層展平全連接層+Dropout任務(wù)解決方案（2）設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)根據(jù)應(yīng)用場(chǎng)景和數(shù)據(jù)特征，設(shè)計(jì)卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。任務(wù)解決方案（2）設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)使用Keras構(gòu)建

設(shè)計(jì)好的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)并進(jìn)行訓(xùn)練。fromtensorflow.kerasimportlayersnum_classes=2#目標(biāo)分為兩類：合格品與不合格品model=tf.keras.Sequential([#根據(jù)需要調(diào)整模型結(jié)構(gòu)layers.experimental.preprocessing.Resizing(img_height,img_width),layers.experimental.preprocessing.Rescaling(1./127.5,offset=-1),layers.Conv2D(32,3,activation='relu',padding="same"),layers.MaxPooling2D(pool_size=2,strides=2),layers.Conv2D(32,3,activation='relu',padding="same"),layers.MaxPooling2D(pool_size=2,strides=2),layers.Flatten(),layers.Dense(256,activation='relu'),layers.Dense(num_classes)])任務(wù)解決方案（3）模型編譯根據(jù)應(yīng)用場(chǎng)景和數(shù)據(jù)特征，設(shè)置優(yōu)化器、損失函數(shù)、指標(biāo)等參數(shù)。batch_size=8#每一批所處理的圖片數(shù)量img_height=160#圖片高度，單位為像素img_width=160#圖片寬度，單位為像素model.build((img_height,img_width,batch_size,3))model.compile(

optimizer='nadam',loss=tf.losses.SparseCategoricalCrossentropy(from_logits=True),metrics=['accuracy'])任務(wù)解決方案（4）模型訓(xùn)練利用準(zhǔn)備好的數(shù)據(jù)集，訓(xùn)練模型。訓(xùn)練過(guò)程中，要注意觀察模型的準(zhǔn)確率變化。model.fit(train_ds,validation_data=val_ds,batch_size=128,shuffle=True,epochs=35)任務(wù)解決方案（5）模型部署當(dāng)獲得較高的準(zhǔn)確率時(shí)，保存訓(xùn)練好的模型。需要在Web平臺(tái)的“任務(wù)管理”頁(yè)面中配置相應(yīng)的服務(wù)地址。tf.keras.models.save_model(model,'/tf/models/image/1/',

#/tf/models為tensorflow-serving的模型根目錄overwrite=True,include_optimizer=True,save_format=None,signatures=None,options=None)任務(wù)解決方案（6）模型應(yīng)用修改圖像任務(wù)中的“服務(wù)地址”為最后的模型算法地址。在【PLC觸控操作面板】上切換模式運(yùn)行。查看實(shí)際檢測(cè)效果是否滿意，如果不滿意可重復(fù)進(jìn)行模型的訓(xùn)練與部署。小結(jié)1.如何設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)圖像分類？2.

如何使用Keras實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)模型？3.

如何調(diào)整神經(jīng)網(wǎng)絡(luò)參數(shù)優(yōu)化模型？4.如何保存并部署神經(jīng)網(wǎng)絡(luò)模型？5.如何在智能產(chǎn)線上驗(yàn)證模型？不急后續(xù)會(huì)有詳細(xì)說(shuō)明與講解哦~誤差自動(dòng)補(bǔ)償任務(wù)實(shí)施【數(shù)據(jù)挖掘應(yīng)用】課程智能產(chǎn)線應(yīng)用會(huì)對(duì)數(shù)據(jù)進(jìn)行合理的預(yù)處理；會(huì)根據(jù)需要正確設(shè)計(jì)、訓(xùn)練全連接神經(jīng)網(wǎng)絡(luò)模型；會(huì)根據(jù)結(jié)果調(diào)整神經(jīng)網(wǎng)絡(luò)參數(shù)實(shí)現(xiàn)優(yōu)化；會(huì)正確部署神經(jīng)網(wǎng)絡(luò)模型；會(huì)調(diào)用神經(jīng)網(wǎng)絡(luò)模型實(shí)現(xiàn)誤差補(bǔ)償。能力目標(biāo)誤差自動(dòng)補(bǔ)償數(shù)據(jù)分析主要內(nèi)容任務(wù)工單引導(dǎo)問(wèn)題任務(wù)評(píng)價(jià)標(biāo)準(zhǔn)任務(wù)解決步驟代碼解析任務(wù)背景誤差補(bǔ)償分析補(bǔ)償模型自動(dòng)誤差補(bǔ)償控制模塊原因：設(shè)備振動(dòng)和溫度變化等因素導(dǎo)致原有生產(chǎn)工藝無(wú)法實(shí)現(xiàn)高質(zhì)量生產(chǎn)途徑：對(duì)參數(shù)進(jìn)行分析，自動(dòng)修正加工參數(shù)目標(biāo)：更多合格品指標(biāo)：產(chǎn)品加工精度溫度補(bǔ)償示例教學(xué)難點(diǎn)任務(wù)工單

基于給定CSV文件中的誤差數(shù)據(jù)進(jìn)行模型訓(xùn)練，可選擇、調(diào)用云端已提供的完整模型框架，設(shè)計(jì)全連接神經(jīng)網(wǎng)絡(luò)進(jìn)行模型訓(xùn)練。任務(wù)概述

基于給定的誤差補(bǔ)償數(shù)據(jù)，訓(xùn)練全連接神經(jīng)網(wǎng)絡(luò)模型，并部署應(yīng)用于工件生產(chǎn)過(guò)程中的自動(dòng)化調(diào)參。010010011001101010100100110110100101110101000100001011011101001010101101010011010010

任務(wù)描述：

加工

雕刻

圖案

繪制

結(jié)果誤差補(bǔ)償數(shù)據(jù)清洗誤差補(bǔ)償模型構(gòu)建誤差補(bǔ)償模型訓(xùn)練與優(yōu)化誤差補(bǔ)償模型應(yīng)用全連接神經(jīng)網(wǎng)絡(luò)用于設(shè)備自動(dòng)調(diào)參可提高生產(chǎn)合格率、節(jié)省材料、提高加工精度自動(dòng)誤差補(bǔ)償控制模塊加工雕刻過(guò)程顯示任務(wù)概述（1）全連接神經(jīng)網(wǎng)絡(luò)有什么特點(diǎn)？可以應(yīng)用在什么場(chǎng)合？（2）如何查找數(shù)據(jù)集中的異常值？該如何處理？（3）如何通過(guò)發(fā)現(xiàn)原始數(shù)據(jù)中的規(guī)律來(lái)尋找噪聲數(shù)據(jù)？（4）如何測(cè)試模型的優(yōu)劣？當(dāng)測(cè)試結(jié)果較好但實(shí)際應(yīng)用效果不好時(shí)，會(huì)是什么原因？”

問(wèn)題引導(dǎo)：任務(wù)概述

任務(wù)評(píng)價(jià)：任務(wù)概述評(píng)價(jià)內(nèi)容評(píng)價(jià)要點(diǎn)分值分?jǐn)?shù)評(píng)定自我評(píng)價(jià)1.任務(wù)實(shí)施數(shù)據(jù)獲取與清洗2分?jǐn)?shù)據(jù)正確讀取與顯示得1分，會(huì)清洗數(shù)據(jù)得1分

模型構(gòu)建2分會(huì)設(shè)計(jì)全連接神經(jīng)網(wǎng)絡(luò)模型得1分，模型正確構(gòu)建得1分

模型訓(xùn)練1分模型訓(xùn)練能正確執(zhí)行得1分模型保存2分模型正確保存得1分，模型正確部署得1分

2.效果評(píng)估模型評(píng)估2分訓(xùn)練MSE值0.5以下得1分，0.25以下得2分

3.任務(wù)總結(jié)依據(jù)任務(wù)實(shí)施情況總結(jié)結(jié)論1分總結(jié)內(nèi)容切中本任務(wù)的重點(diǎn)要點(diǎn)得1分

合計(jì)10分

任務(wù)解決方案（1）數(shù)據(jù)加載與清洗使用pandas工具從./wc.csv中讀取數(shù)據(jù)，并對(duì)數(shù)據(jù)做必要的清洗。importnumpyasnpimportpandasaspdraw_dataset=pd.read_csv('./wc.csv',sep=',',skipinitialspace=True)np.set_printoptions(precision=3,suppress=True)dataset=raw_dataset.copy()#做必要的清洗print("剔除前：",dataset.shape)dataset=dataset.dropna()dataset=dataset[dataset["score"]>90]print("剔除后：",dataset.shape)dataset.head()任務(wù)解決方案（2）切分?jǐn)?shù)據(jù)集準(zhǔn)備好模型訓(xùn)練所需的訓(xùn)練集與測(cè)試集。按一定的比例隨機(jī)切分?jǐn)?shù)據(jù)。#數(shù)據(jù)集切分train_dataset=dataset.sample(

frac=0.8,random_state=0)test_dataset=dataset.drop(train_dataset.index)#分別獲取訓(xùn)練集和測(cè)試集的特征以及補(bǔ)償值train_features=train_dataset.copy()train_labels=train_features[['c'+str(i+1)foriinrange(8)]].copy()train_features=train_features.drop(['c'+str(i+1)foriinrange(8)],axis=1)train_features=train_features.drop(['score'],axis=1)任務(wù)解決方案（3）設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)根據(jù)應(yīng)用場(chǎng)景和數(shù)據(jù)特征，設(shè)計(jì)全連接神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)并進(jìn)行訓(xùn)練。fromtensorflowimportkerasfromtensorflow.kerasimportlayersfromtensorflow.keras.layers.experimentalimportpreprocessingfromkerasimportregularizersmodel=tf.keras.Sequential([#根據(jù)情況調(diào)整模型結(jié)構(gòu)layers.Dense(100,input_dim=train_features.shape[1],

activation=‘tanh’)layers.Dense(100,activation="tanh"),layers.Dense(32,activation="tanh"),layers.Dropout(0.5),layers.Dense(train_labels.shape[1])])任務(wù)解決方案（4）模型編譯與訓(xùn)練根據(jù)應(yīng)用場(chǎng)景和數(shù)據(jù)特征，設(shè)置損失函數(shù)、優(yōu)化器、指標(biāo)等參數(shù)。model.compile(loss="mse",

optimizer="adam",metrics='acc')#根據(jù)情況調(diào)整參數(shù)model.summary()model.fit(#根據(jù)情況調(diào)整參數(shù)train_features,train_labels,epochs=200,batch_size=32)任務(wù)解決方案（5）模型評(píng)估與保存使用測(cè)試集檢測(cè)模型效果。繼續(xù)修改結(jié)構(gòu)并訓(xùn)練直至獲得符合要求的MSE值。保存模型。test_preds=model.predict(test_features)print("y1MSE:%.4f"%

mean_squared_error(test_labels,test_preds))tf.keras.models.save_model(model,

'/tf/models/adjustment/tensorflow/1/',

#/tf/models/adjustment/tensorflow為tensorflow-serving的模型根目錄overwrite=True,include_optimizer=True,save_format=None,signatures=None,options=None)任務(wù)解決方案（6）模型部署與應(yīng)用修改誤差任務(wù)中的“服務(wù)地址”為最后的模型算法地址。在【PLC觸控操作面板】上切換模式，查看實(shí)際檢測(cè)效果是否滿意，如果不滿意可重復(fù)進(jìn)行模型的訓(xùn)練與部署。小結(jié)1.如何設(shè)計(jì)全連接神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)誤差補(bǔ)償？2.

如何使用Keras實(shí)現(xiàn)全連接神經(jīng)網(wǎng)絡(luò)模型？3.

如何調(diào)整全連接神經(jīng)網(wǎng)絡(luò)參數(shù)優(yōu)化模型？4.如何保存并部署全連接神經(jīng)網(wǎng)絡(luò)模型？5.如何在智能產(chǎn)線上調(diào)用模型？不急后續(xù)動(dòng)手實(shí)踐掌握模型訓(xùn)練與操作~聯(lián)調(diào)與自動(dòng)化生產(chǎn)驗(yàn)證任務(wù)實(shí)施【數(shù)據(jù)挖掘應(yīng)用】課程智能產(chǎn)線應(yīng)用會(huì)建立和配置智能產(chǎn)線；會(huì)熟練操作數(shù)控機(jī)床采集工件圖像數(shù)據(jù)；會(huì)部署分類和誤差補(bǔ)償模型；會(huì)進(jìn)行模型訓(xùn)練并對(duì)模型調(diào)優(yōu)；會(huì)在數(shù)控機(jī)床上應(yīng)用并驗(yàn)證模型。知識(shí)與能力目標(biāo)主要內(nèi)容任務(wù)工單引導(dǎo)問(wèn)題任務(wù)評(píng)價(jià)標(biāo)準(zhǔn)任務(wù)解決步驟聯(lián)調(diào)與自動(dòng)化生產(chǎn)驗(yàn)證教學(xué)難點(diǎn)任務(wù)背景010010011001101010100100110110100101110101000100001011011101001010101101010011010010聯(lián)調(diào)與自動(dòng)化生產(chǎn)驗(yàn)證圖像分類分析誤差補(bǔ)償分析新問(wèn)題教學(xué)難點(diǎn)任務(wù)背景010010011001101010100100110110100101110101000100001011011101001010101101010011010010獨(dú)立工作站（模塊）整體產(chǎn)線產(chǎn)線動(dòng)作測(cè)試：調(diào)通產(chǎn)線生產(chǎn)效率調(diào)整：各模塊參數(shù)優(yōu)化正確使用防護(hù)用具：護(hù)目鏡教學(xué)難點(diǎn)任務(wù)背景010010011001101010100100110110100101110101000100001011011101001010101101010011010010雕刻產(chǎn)生新的工件

有區(qū)別的圖案新的圖像數(shù)據(jù)新工件圖像數(shù)據(jù)的采集分揀模型的重新訓(xùn)練與部署V.S新工件訓(xùn)練集教學(xué)難點(diǎn)任務(wù)背景010010011001101010100100110110100101110101000100001011011101001010101101010011010010模擬產(chǎn)生環(huán)境因素加工精度加載補(bǔ)償算法：補(bǔ)償參數(shù)微調(diào)觀察有無(wú)過(guò)擬合問(wèn)題新的雕刻坐標(biāo)G(x‘’,y‘’)F(w1,w2,…,w18)基于提供的加工圖紙進(jìn)行若干個(gè)待加工件的生產(chǎn)驗(yàn)證，利用智能數(shù)控系統(tǒng)模擬數(shù)控機(jī)床加工出二維圖形，并通過(guò)誤差補(bǔ)償算法使加工出的圖形補(bǔ)償干擾因素造成的誤差，使加工圖形盡可能準(zhǔn)確。最后通過(guò)視覺(jué)檢測(cè)系統(tǒng)進(jìn)行質(zhì)量驗(yàn)證，自動(dòng)識(shí)別其合格性。教學(xué)難點(diǎn)任務(wù)工單任務(wù)概述

對(duì)誤差補(bǔ)償算法和工件智能分類算法進(jìn)行聯(lián)調(diào)，并完成加工驗(yàn)證。010010011001101010100100110110100101110101000100001011011101001010101101010011010010

任務(wù)描述：（1）聯(lián)調(diào)過(guò)程需要關(guān)注什么問(wèn)題？這中間會(huì)產(chǎn)生什么樣的新問(wèn)題？（2）聯(lián)調(diào)過(guò)程中，如何提高對(duì)新加工的物料的識(shí)別準(zhǔn)確率？（3）生產(chǎn)過(guò)程中，哪些臨時(shí)數(shù)據(jù)比較重要？設(shè)計(jì)表格做好記錄。（4）如何提升產(chǎn)線的生